强噪声背景下行星齿轮故障诊断研究

摘要

行星齿轮传动作为矿山机械设备中的常用传动方式之一，在整个生产过程中担负重要的使命。行星齿轮传动与普通齿轮传动相比较具有很多优点，比如体积小，承载能力大，工作平稳，但大功率高速行星齿轮传动结构较复杂、制造精度高。
　　由于机械设备所处的恶劣环境、变化的工况以及自身的非线性等特点，使得所测得的振动信号往往具有强噪声背景、非线性和非稳定性等特点，这些问题的存在严重影响了设备状态信息的准确获取。因此，本文以强噪声背景下的行星齿轮振动信号为研究对象，研究基于局部均值分解(Local Mean Decomposition, LMD)和离散隐马尔科夫模型(Discrete Hidden Markov Models, DHMM)的行星齿轮故障诊断算法，包括 LMD，奇异值能量差分谱，多尺度样本熵(Multiscale Sample Entropy, MSE)和DHMM识别模型。
　　介绍了LMD算法这一种新的时频分析方法，当齿轮发生故障时，振动信号通常伴随着冲击信号，并且出现不同程度的调制现象，故障振动信号的调制信息可以通过LMD进行解调。并与经验模态分解(Empirical Mode Decomposition, EMD)方法进行了比较，得到了两者之间的异同点，分析了LMD算法的优点及存在的不足，然后利用基于支持向量回归(Support Vector Regression, SVR)延拓和加余弦窗函数处理的端点延拓技术对端点效应进行改进。
　　介绍了奇异值分解(Singular Value Decomposition, SVD)方法基本原理，利用奇异值能量差分谱改善SVD在信号降噪上重构阶次难以确认的问题，有效区别了信号中有用成分和噪声成分，较好地保护了原始信号中有用信息的完整性，然后利用SVD逆变换重构信号频谱，实现了对信号的降噪处理；然后研究了基于LMD和奇异值能量差分谱的信号降噪方法，以及基于MSE的特征提取算法。
　　介绍了隐马尔科夫模型(Hidden Markov Models, HMM)的基本理论，探讨并改进了在实际应用过程中发现的多观察样本训练问题和算法下溢现象，分析了DHMM理论在故障状态识别中的应用方法；进行了强噪声背景下的实验数据分析，分析了基于LMD和DHMM的行星齿轮故障诊断算法，包括改进LMD算法、奇异值能量差分谱、MSE和DHMM，并以不同类型的实验信号验证了该方法的有效性。
　　研发了基于LabVIEW和Matlab联合仿真行星齿轮故障智能诊断系统，实现了对行星轮振动信号的在线监测与数据分析处理，完成了数据监测和诊断结果的的存储、查询和记录功能。以行星齿轮实际信号进行实例分析，结果表明该平台界面友好、操作方便、性能良好。
　　文章最后对工作进行了总结，并对相关的研究技术进行了展望。

目录

封面

声明

致谢

中文摘要

英文摘要

目录

变量注释表

1 绪论

1.1 课题来源和意义

1.2 齿轮故障诊断技术研究背景与现状

1.3 论文研究内容和章节安排

2 基于改进局部均值分解的信号预处理方法研究

2.1 引言

2.2 局部均值分解方法

2.3 LMD方法的不足及其改进措施

2.4 仿真实验验证

2.5 本章小结

3 振动信号降噪处理与敏感特征提取分析

3.1 引言

3.2 奇异值分解方法

3.3 奇异值能量差分谱理论及有效奇异值选择方法

3.4 多尺度样本熵特征信息提取

3.5 基于 LMD 和奇异值能量差分谱的降噪及特征提取研究

3.6 本章小结

4 基于隐马尔科夫模型的模式识别方法研究

4.1 引言

4.2 HMM介绍

4.3 DHMM理论在齿轮故障状态识别中的应用

4.4 基于LMD和DHMM的行星齿轮故障诊断的实现

4.5 本章小结

5 行星齿轮故障智能诊断系统研究

5.1 引言

5.2 软件开发工具介绍

5.3 系统总体方案设计

5.4 各模块调试结果

5.5 本章小结

6 结论和展望

6.1 结论

6.2 展望

参考文献

作者简历

学位论文数据集